“深度学习”地理处理函数

获得 Image Analyst 许可后可用。

“深度学习”地理处理函数用于训练深度学习模型、检测图像中的特定要素、对栅格数据集中的像素进行分类。

深度学习是一种机器学习人工智能,它使用神经网络中的多个图层来检测影像中的要素,其中每个图层能够提取影像中的一个或多个唯一要素。“深度学习”类别中的地理处理函数利用 GPU 处理来及时执行分析。

这些 ArcPy 地理处理函数使用经过训练的模型检测第三方深度学习框架(例如 TensorFlow、CNTK 和 PyTorch)中的特定要素和输出要素或类地图。

地理处理函数说明

使用深度学习分类对象

用于运行输入栅格和可选要素类上的训练深度学习模型,以生成要素类或表,其中每个输入对象或要素均具有一个分配的类或类别标注。

该工具需要包含经过训练的模型信息的模型定义文件。 可以使用训练深度学习模型工具或第三方训练软件(例如 TensorFlow、PyTorch 或 Keras)训练模型。 模型定义文件可以是 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包,它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。

使用深度学习分类像素

用于运行输入栅格上的训练深度学习模型,以生成分类栅格,其中每个有效像素都被分配了一个类标注。

该工具需要包含经过训练的模型信息的模型定义文件。 可以使用训练深度学习模型工具或第三方训练软件(例如 TensorFlow、PyTorch 或 Keras)训练模型。 模型定义文件可以是 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包,它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。

计算对象检测的精度

通过对深度学习检测对象使用工具检测到的对象和实际地表数据进行比较来计算深度学习模型的精度。

使用深度学习检测对象

用于运行输入栅格上的训练深度学习模型,以生成包含其找到对象的要素类。 这些要素可以是所找到对象周围的边界框或面,也可以是对象中心的点。

该工具需要包含经过训练的模型信息的模型定义文件。 可以使用训练深度学习模型工具或第三方训练软件(例如 TensorFlow、PyTorch 或 Keras)训练模型。 模型定义文件可以是 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包,它必须包含为处理每个对象调用的 Python 栅格函数的路径以及经过训练的二进制深度学习模型文件的路径。

导出训练数据进行深度学习

使用遥感影像将标注的矢量或栅格数据转换为深度学习训练数据集。 输出为影像芯片文件夹和指定格式的元数据文件文件夹。

非极大值抑制

可将使用深度学习检测对象工具的输出中的重复要素识别为后处理步骤,并创建没有重复要素的新输出。使用深度学习检测对象工具可针对同一对象(尤其是作为切片的边际效应)返回多个边界框或面。如果两个要素的重叠超过给定的最大比率,则将移除置信值较低的要素。

训练深度学习模型

使用导出训练数据进行深度学习工具的输出训练深度学习模型。

“深度学习”类别中的地理处理函数